MagiNet: Mask-Aware Graph Imputation Network for Incomplete Traffic Data

由于探测器故障和通信故障，在交通数据收集过程中出现数据缺失是普遍存在的。因此，对于智能交通系统（ITS）的数据分析和决策制定来说，填补缺失值非常重要。然而，现有的填补方法通常采用零值填充技术来初始化缺失值，从而引入不可避免的噪声。此外，我们观察到普遍存在过度平滑的插值方法，无法揭示不完整交通数据的内在时空相关性。为此，我们提出了一种名为MagiNet的掩码感知图形填补网络。我们的方法设计了一个自适应的掩码时空编码器来学习不完整数据的潜在表示，消除了对填充缺失值的依赖。此外，我们设计了一个时空解码器，堆叠多个块来捕获不完整交通数据内在的空间和时间依赖关系，缓解了过度平滑的填补方法。广泛的实验表明，我们的方法在五个真实世界的交通数据集上优于最先进的填补方法，平均RMSE提高了4.31％，MAPE提高了3.72％。

论文旨在解决交通数据收集中遗漏数据的问题，提出一种新的数据插补方法MagiNet，以提高交通智能系统的数据分析和决策制定能力。

MagiNet采用自适应掩码时空编码器来学习不完整数据的潜在表示，消除对填充缺失值的依赖。此外，设计时空解码器以捕捉不完整交通数据中的内在空间和时间依赖性，减轻过度平滑插补。

论文在五个真实的交通数据集上进行了广泛的实验，结果表明MagiNet的表现优于现有的插补方法，RMSE平均提高4.31％，MAPE平均提高3.72％。论文提供了开源代码。

最近的相关研究包括：1. DeepTTE：预测出租车到达时间的深度学习模型；2. STGCN：时空图卷积网络用于交通预测；3. STR-GCN：用于交通流预测的时空关系图卷积网络。